It is not always greener on the other side: Greenery perception across demographics and personalities in multiple cities

Deze studie toont aan dat de discrepantie tussen objectieve metingen en subjectieve waarneming van stedelijke groenruimtes wereldwijd vergelijkbaar is en voornamelijk wordt beïnvloed door de woonlocatie en visuele factoren, terwijl demografische kenmerken en persoonlijkheid slechts een beperkte rol spelen.

De kern

Titel: Is het aan de overkant altijd groener? Een onderzoek naar wat we zien versus wat we voelen

Stel je voor dat je door een stad loopt. Je kijkt omhoog en ziet bomen, struiken en gras. Je denkt: "Wow, hier is het heel groen!" Maar een computer die dezelfde foto bekijkt, zegt misschien: "Nee, dit is maar een klein beetje groen."

Dit is precies waar dit onderzoek over gaat. De auteurs hebben onderzocht waarom er vaak een verschil is tussen hoe groen een plek eruitziet (wat mensen voelen) en hoe groen een plek echt is (wat de computer meet).

Hier is de uitleg in simpele taal, met een paar leuke vergelijkingen:

1. De twee meetmethodes: De Liniaal vs. Het Gevoel

Stel je voor dat je een tuin wilt meten.

• De Computer (Objectief): De computer gebruikt een digitale liniaal. Hij telt precies hoeveel groene pixels er op een foto staan. Dit noemen ze de Green View Index (GVI). Het is puur wiskunde: meer groene pixels = grotere score.
• De Mens (Subjectief): De mens kijkt niet naar pixels, maar naar het gevoel. "Voelt dit als een bos? Voelt dit als een park?" Mensen kijken naar de sfeer, de kleuren en hoe de natuur in het straatbeeld is geplaatst.

Het probleem: Soms telt de computer weinig groen, maar voelt het voor de mens als een oase. Soms telt de computer veel groen, maar voelt het voor de mens saai of dichtbebouwd.

2. De Grote Experimenten: 1.000 Mensen en 5 Steden

De onderzoekers hebben een gigantisch experiment gedaan. Ze hebben 1.000 mensen uit vijf verschillende landen (Nigeria, Singapore, Nederland, Chili en de VS) gevraagd om naar straatfoto's te kijken.

• Ze kregen foto's van vijf steden: San Francisco, Singapore, Abuja, Amsterdam en Santiago.
• Ze moesten zeggen: "Welke van deze twee foto's voelt groener?"
• Tegelijkertijd lieten ze de computer de exacte hoeveelheid groen op die foto's berekenen.

3. De Verrassende Ontdekkingen

A. Het "Gezichtsbedrog" van de Computer
Over de hele wereld bleek dat mensen meer groen zien dan de computer meet.

• Vergelijking: Het is alsof je een glas water halfvol ziet, maar de computer zegt: "Nee, het is maar 30% vol." Mensen vullen het gat op met hun fantasie en gevoel. Een klein stukje gras kan al voelen als een groot park als het mooi is aangelegd.

B. Het is niet je leeftijd of karakter dat telt
Je zou denken dat een 70-jarige man anders kijkt dan een 20-jarige vrouw, of dat iemand met een rustig karakter groener vindt dan iemand die druk is.

• De bevinding: Nee! Leeftijd, geslacht, inkomen of persoonlijkheid maakten bijna geen verschil. Iedereen zag ongeveer hetzelfde.
• Vergelijking: Het is alsof je een film kijkt; of je nu jong of oud bent, of rustig of druk, de film blijft dezelfde film.

C. Waar je woont, is de sleutel
Het enige dat echt uitmaakte, was waar de mensen woonden.

• Iemand die in Singapore woont, kijkt anders naar groen dan iemand in Amsterdam.
• Vergelijking: Stel je voor dat je altijd in een woestijn hebt gewoond. Als je dan één klein plantje ziet, denk je: "Wauw, wat een jungle!" Maar als je in een regenwoud woont, denk je bij datzelfde plantje: "Nou ja, dat is maar een takje."
• Mensen vergelijken wat ze zien met hun eigen "norm". Voor een Singaporese is een straat met wat bomen al erg groen; voor een Amsterdamse is dat misschien nog te weinig.

D. De "Verspreiding" is belangrijker dan de "Afstand"
Dit was de meest interessante ontdekking. Mensen vinden het niet uit of de bomen dichtbij zijn of ver weg. Wat telt, is hoe ze verspreid zijn.

• Vergelijking: Stel je voor dat je een bord spaghetti hebt.
  • Scenario A: Alle saus zit in één grote klont in het midden. (Dichtbij, maar geconcentreerd).
  • Scenario B: De saus is over het hele bord verspreid, maar er is minder van.
  • Mensen vonden Scenario B (verspreid) vaak "groener" dan Scenario A. Ze houden van een gevarieerd landschap, niet van één grote hoop groen. Als groen overal een beetje te zien is, voelt het als een groene stad, zelfs als er minder bomen staan.

4. Wat betekent dit voor de toekomst?

De onderzoekers zeggen: "Stop met alleen naar de cijfers van de computer te kijken als je steden wilt verbeteren."

• Niet alleen meer bomen: Als je wilt dat mensen zich gelukkiger voelen in een stad, is het niet genoeg om gewoon meer bomen te planten die de computer kan tellen.
• Verspreid het: Plant bomen en struiken overal een beetje, zodat het groen "in de lucht" hangt en overal zichtbaar is.
• Luister naar de bewoners: Als je wilt weten of een wijk groen is, vraag het dan aan de mensen die er wonen. Een wereldwijd model werkt niet, omdat iedereen zijn eigen "groene bril" op heeft, afhankelijk van waar hij of zij woont.

Kortom: Het is niet altijd groener aan de overkant, maar het voelt soms wel groener dan de cijfers zeggen. En dat gevoel is net zo belangrijk als de werkelijkheid voor een gelukkige stad.

Technische samenvatting

Hier is een gedetailleerde technische samenvatting van het artikel "It is not always greener on the other side: Greenery perception across demographics and personalities in multiple cities", geschreven in het Nederlands.

Probleemstelling

Het kwantificeren en beoordelen van stedelijke groenvoorzieningen is cruciaal voor stadsplanning en ontwikkeling. Traditioneel wordt onderscheid gemaakt tussen objectieve metingen (bijv. het meten van de hoeveelheid vegetatie via satellietbeelden of Street View Imagery) en subjectieve waarnemingen (wat mensen daadwerkelijk zien en voelen).

De kern van het probleem is dat er vaak een discrepantie bestaat tussen deze twee benaderingen: wat mensen als "groen" ervaren, komt niet altijd overeen met de technische metingen van de vegetatiehoeveelheid. Bestaand onderzoek is vaak beperkt tot één stad of één land, waardoor het onduidelijk blijft hoe demografische factoren, persoonlijkheidstrekken en geografische context deze waarneming beïnvloeden op een globale schaal. De vraag is of objectieve metrics zoals de Green View Index (GVI) de menselijke perceptie nauwkeurig kunnen voorspellen en welke factoren de afwijkingen verklaren.

Methodologie

De auteurs hebben een uitgebreide studie uitgevoerd met behulp van het SPECS-dataset (Street Perception Evaluation Considering Socioeconomics).

1. Dataset en Deelnemers:

   • Deelnemers: 1.000 personen uit vijf landen (Chili, Nederland, Nigeria, Singapore, VS).
   • Informatie: Gedetailleerde demografische gegevens (geslacht, leeftijd, inkomen, etniciteit) en persoonlijkheidsprofielen (Big Five: extravertie, vriendelijkheid, consciëntieusheid, neuroticisme, openheid).
   • Beeldmateriaal: 400 Street View Images (SVI) uit vijf steden (Santiago, Amsterdam, Abuja, Singapore, San Francisco), elk met 80 afbeeldingen.
   • Methode: Deelnemers voerden een paarsgewijze vergelijking uit (pairwise comparison) waarbij ze moesten aangeven welke afbeelding "groener" leek.

2. Objectieve Metingen (Machine Learning):

   • Green View Index (GVI): Berekend als de verhouding van groene pixels tot het totale aantal pixels in de afbeelding, gebruikmakend van panoptische semantische segmentatie (ZenSVI package).
   • Ruimtelijke Entropie: Een maat voor de spreiding van vegetatie binnen de afbeelding (hoe verspreid of geconcentreerd het groen is), berekend met de Shannon-entropieformule op basis van een schuifend venster.
   • Dichtheid/Proximiteit: De afstand van de vegetatie tot de kijker, geschat met het Depth Anything V2 model voor monocular diepteschatting.

3. Subjectieve Metingen:

   • Q-scores: Afgeleid van de paarsgewijze vergelijkingen met de Strength of Schedule (SOS) methode. Deze scores (genormaliseerd naar [0, 1]) vertegenwoordigen de subjectieve groenwaarde.

4. Statistische Analyse:

   • Correlatie: Pearson-correlatie tussen GVI en Q-scores.
   • Bias-analyse: Bland-Altman plots en Wilcoxon signed-rank tests om systematische verschillen te detecteren.
   • Predictieve Modelling: Een Random Forest-model werd getraind om de Q-scores te voorspellen op basis van demografie, persoonlijkheid, en beeldkenmerken. Er werd gebruikgemaakt van conditional permutation feature importance om multicollineariteit te hanteren.

Belangrijkste Bijdragen

• Grootschalige Vergelijking: Eerste studie die objectieve en subjectieve groenmetingen vergelijkt over meerdere steden en landen met een zeer gedetailleerd demografisch en persoonlijkheidsdataset.
• Integratie van Ruimtelijke Kenmerken: In plaats van alleen de hoeveelheid groen te meten, introduceert de studie ruimtelijke entropie en proximiteit als kritieke variabelen voor perceptie.
• Ontmaskering van Demografische Invloeden: Het biedt empirisch bewijs dat veel aangenomen demografische factoren (geslacht, leeftijd, inkomen) geen significante invloed hebben op groenperceptie, terwijl de woonlocatie wel cruciaal is.

Resultaten

1. Correlatie en Bias:

   • Er is een matige positieve correlatie tussen GVI en subjectieve scores (R ≈ 0,64 overall), maar ze zijn niet uitwisselbaar.
   • Systeembias: In de meeste gevallen overschatten mensen de groenheid ten opzichte van de objectieve GVI-metingen (Q-scores zijn hoger dan GVI).
   • De correlatie varieert sterk per locatie-paar. Bijvoorbeeld, deelnemers uit Chili beoordeelden afbeeldingen uit Amsterdam het sterkst gecorreleerd (R=0,70), terwijl Singapore-afbeeldingen door Amerikaanse deelnemers de zwakste correlatie toonden (R=0,19).

2. Invloed van Demografie en Persoonlijkheid:

   • Geen significante invloed: Geslacht, leeftijd, inkomen, opleidingsniveau, etniciteit en de meeste persoonlijkheidstrekken (zoals extravertie en neuroticisme) hebben geen meetbaar effect op de groenperceptie.
   • Woonlocatie is cruciaal: De enige demografische factor die een significante invloed heeft, is het land/stad van verblijf. Dit suggereert dat culturele, omgevings- en ervaringsfactoren de perceptie vormen. Mensen hebben een intern referentiekader gebaseerd op hun lokale stedelijke omgeving.

3. Ruimtelijke Ordening vs. Proximiteit:

   • Spreiding is belangrijker dan afstand: Afbeeldingen die als "zeer groen" werden beoordeeld (hoge Q-score), hadden vaak een hogere ruimtelijke entropie (groen verspreid over het hele beeld) dan afbeeldingen met geconcentreerd groen.
   • De afstand tot de kijker (proximiteit) bleek minder consistent bepalend; soms werd groen op de achtergrond als groener ervaren dan dichtbij groen, afhankelijk van de stedelijke context.

4. Predictieve Modellen:

   • De belangrijkste voorspellers voor groenperceptie waren: GVI, ruimtelijke entropie, en de Sky View Index.
   • De locatie van de afbeelding en de locatie van de deelnemer waren ook sterke voorspellers, terwijl demografische variabelen verwaarloosbaar waren.

Betekenis en Conclusie

De studie concludeert dat "het aan de andere kant niet altijd groener is" in de zin dat objectieve metingen de menselijke ervaring niet volledig vangen.

• Beleid en Planning: Stedenplanners en onderzoekers kunnen niet vertrouwen op alleen maar GVI of satellietdata om de kwaliteit van groene ruimtes te beoordelen. De arrangement (spreiding) van groen is minstens zo belangrijk als de hoeveelheid.
• Human-Centric Design: Omdat de woonlocatie de perceptie het sterkst beïnvloedt, moeten evaluaties van groenruimtes lokaal worden uitgevoerd door bewoners in plaats van door globale modellen. Wat in Singapore als "groen" wordt ervaren, kan anders zijn dan in San Francisco, zelfs bij dezelfde hoeveelheid vegetatie.
• Toekomstig Onderzoek: Er is behoefte aan indices die rekening houden met ruimtelijke verdeling en culturele context, en niet alleen met pixel-aantallen.

Kortom, de paper verschuift de focus van puur kwantitatieve metingen naar een meer holistische benadering die rekening houdt met hoe mensen groen waarnemen in hun specifieke culturele en ruimtelijke context.